基于MindSpore的農(nóng)作物病蟲害識(shí)別系統(tǒng)設(shè)計(jì)

楊祖鑒 黃勇萍

摘要：廣西是農(nóng)業(yè)大省區(qū)，農(nóng)作物種類繁多，包括甘蔗、水稻等。部分地區(qū)以農(nóng)作物為主要經(jīng)濟(jì)來源，由于氣候原因，農(nóng)作物病蟲害頻發(fā)。文章研究了廣西主要農(nóng)作物的常見病蟲害，采集了甘蔗等農(nóng)作物的常見病蟲害數(shù)據(jù)，使用AI計(jì)算框架MindSpore以及深度學(xué)習(xí)算法MobileNetV2實(shí)現(xiàn)了數(shù)據(jù)的特征提取以及模型訓(xùn)練，使用端側(cè)推理框架MindSpore Lite實(shí)現(xiàn)了快速準(zhǔn)確的端側(cè)推理。測(cè)試結(jié)果表明，該系統(tǒng)有較高的識(shí)別準(zhǔn)確率，并且與傳統(tǒng)的識(shí)別軟件相比，系統(tǒng)可以進(jìn)行無網(wǎng)絡(luò)、輕量級(jí)實(shí)時(shí)識(shí)別。

關(guān)鍵詞：MindSpore；病蟲害識(shí)別；端側(cè)推理

中圖分類號(hào)：TP391；TP311? 文獻(xiàn)標(biāo)志碼：A

0 引言

廣西是農(nóng)業(yè)大省區(qū)，農(nóng)作物種類繁多，部分地區(qū)以農(nóng)作物為主要經(jīng)濟(jì)來源，由于氣候原因，農(nóng)作物病蟲害頻發(fā)。一些農(nóng)戶由于缺少病蟲害的識(shí)別技能，病蟲害的防治效果不佳，影響農(nóng)民的收入。農(nóng)民對(duì)病蟲害的判斷失誤、使用的藥物不具有針對(duì)性，還會(huì)造成環(huán)境污染、生產(chǎn)成本增加等問題。在多數(shù)情況下，農(nóng)民不會(huì)直接使用針對(duì)性藥物，而是根據(jù)以往的病蟲害預(yù)防經(jīng)驗(yàn)使用藥物，并且往往不能準(zhǔn)確把握藥物的用量，在面對(duì)另一種蟲害時(shí)，往往會(huì)出現(xiàn)診斷不及時(shí)、預(yù)防不及時(shí)的問題，導(dǎo)致病蟲害泛濫。為了讓農(nóng)戶快速準(zhǔn)確地識(shí)別農(nóng)作物病蟲害，本研究根據(jù)主要農(nóng)作物的常見病蟲害特征，使用深度學(xué)習(xí)算法，基于華為的MindSpore框架，采用Android Studio等技術(shù)構(gòu)建了識(shí)別速度快、精度高的界面友好農(nóng)作物病蟲害識(shí)別App。農(nóng)戶只要使用智能手機(jī)，即使在斷網(wǎng)的情況下，也可以快速準(zhǔn)確地識(shí)別農(nóng)作物病蟲害，從而有針對(duì)性地采取防治措施，有效地提高農(nóng)作物產(chǎn)量。

1 數(shù)據(jù)采集及處理

首先，本研究明確了甘蔗、玉米、柑橘等農(nóng)作物的常見病蟲害，如甘蔗的主要病蟲害有赤腐病、鳳梨病、黑穗病、鞘腐病、輪斑病、銹病、螟蟲、棉蚜等，玉米的主要病蟲害為玉米螟，柑橘的主要病蟲害為黃龍病、潰瘍病等。其次，本研究針對(duì)各種病蟲害進(jìn)行特征分析，例如甘蔗黑穗病屬真菌性病害，其明顯特征是蔗莖頂端部生長(zhǎng)出一條黑色鞭狀物，短者筆直，長(zhǎng)者或卷曲或彎曲，無分枝。最后，本研究使用數(shù)碼相機(jī)或智能手機(jī)進(jìn)行病蟲害特征圖片數(shù)據(jù)采集，主要包括廣西壯族自治區(qū)崇左市、百色市、桂林市等地的玉米、甘蔗、柑橘三大農(nóng)作物主要病蟲害，每種病蟲害的樣本數(shù)為400張，采集的部分?jǐn)?shù)據(jù)集如圖1所示。

圖片采集分類后，本研究采用Decode，Resize，CenterCrop，Normalize，HWC2CHW等技術(shù)進(jìn)行數(shù)據(jù)處理，建立有效的數(shù)據(jù)集。

2 模型構(gòu)建和訓(xùn)練

本研究基于華為MindSpore框架，使用MobileNetV2算法實(shí)現(xiàn)模型構(gòu)建和數(shù)據(jù)訓(xùn)練。MindSpore是華為自主研發(fā)的一款支持端、邊、云獨(dú)立/協(xié)同的統(tǒng)一訓(xùn)練和推理AI計(jì)算框架，提供全場(chǎng)景統(tǒng)一API，為全場(chǎng)景AI的模型開發(fā)、模型運(yùn)行、模型部署提供端到端能力［1］。MindSpore提供一套新的數(shù)據(jù)引擎（Data Engine），方便數(shù)據(jù)讀取、增強(qiáng)處理等操作。本研究使用數(shù)據(jù)引擎中的dataset模塊進(jìn)行數(shù)據(jù)集讀取及增強(qiáng)處理，首先使用函數(shù)mindspore.dataset.ImageFolder Dataset讀取數(shù)據(jù)并進(jìn)行分類。在測(cè)試中，黑穗病被標(biāo)記為“0”，黃龍病被標(biāo)記為“1”，潰瘍病被標(biāo)記為“2”，輪斑病被標(biāo)記為“3”，銹病被標(biāo)記為“4”，玉米螟被標(biāo)記為“5”。

導(dǎo)入數(shù)據(jù)集之后，本研究使用MindSpore.dataset中的vision.c_transforms模塊進(jìn)行數(shù)據(jù)增強(qiáng)。vision.c_transforms模塊包含多種數(shù)據(jù)增強(qiáng)操作工具，本研究使用4種工具：RandomCropDecodeResize，Random HorizontalFlip，Normalize，HWC2CHW。RandomCrop DecodeResize將數(shù)據(jù)組合、解碼以及調(diào)整大小。RandomHorizontalFlip按照給定的概率，隨機(jī)地水平翻轉(zhuǎn)輸入圖像。Normalize根據(jù)均值和標(biāo)準(zhǔn)差對(duì)輸入圖像進(jìn)行歸一化處理。HWC2CHW是將輸入圖像從形狀（H，W，C）轉(zhuǎn)置為形狀（C，H，W）。處理以及增強(qiáng)數(shù)據(jù)后，本研究將構(gòu)建模型網(wǎng)絡(luò)，使用MobileNetV2神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型的訓(xùn)練。

MobileNetV2是一種輕量級(jí)的深度學(xué)習(xí)圖像檢測(cè)模型，使用深度可分離卷積，大大提高運(yùn)算速度，相比于經(jīng)典的大型網(wǎng)絡(luò)，MobileNetV2具有參數(shù)量少、模型體積小等優(yōu)點(diǎn)。同時(shí)，MobileNetV2憑借網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，在更少的參數(shù)及更少的計(jì)算量下，網(wǎng)絡(luò)精度反而超過了部分大型神經(jīng)網(wǎng)絡(luò)。MobileNetV2可以在移動(dòng)終端實(shí)現(xiàn)眾多應(yīng)用，包括目標(biāo)檢測(cè)、目標(biāo)分類、目標(biāo)識(shí)別等。模型的構(gòu)建要用到微分，手動(dòng)微分求解不僅求導(dǎo)過程復(fù)雜，而且結(jié)果很容易出錯(cuò)，MindSpore等深度學(xué)習(xí)框架具有自動(dòng)微分的特性，可以幫助開發(fā)者利用自動(dòng)微分技術(shù)實(shí)現(xiàn)自動(dòng)求導(dǎo)，解決這個(gè)復(fù)雜、關(guān)鍵的問題［2］。MindSpore中提供了MobileNetV2預(yù)訓(xùn)練模型的ckpt文件，預(yù)訓(xùn)練模型的寬度系數(shù)α=1.0。本研究首先導(dǎo)入預(yù)訓(xùn)練模型，之后進(jìn)行模型超參、損失函數(shù)、優(yōu)化器的定義。對(duì)訓(xùn)練模型而言，超參是可以進(jìn)行調(diào)整的參數(shù)，可以定義其中的訓(xùn)練輪次（epoch）、批次大?。╞atch size）以及學(xué)習(xí)率（learning rate）。本研究定義10個(gè)epoch進(jìn)行數(shù)據(jù)集的訓(xùn)練。在定義數(shù)據(jù)集次數(shù)的同時(shí)，本研究也定義了批次的大小。學(xué)習(xí)率也影響著模型訓(xùn)練的精度，學(xué)習(xí)率過小，模型收斂速度會(huì)變得十分緩慢；學(xué)習(xí)率過大，模型不收斂，導(dǎo)致預(yù)測(cè)不準(zhǔn)確。本研究進(jìn)行了多次小規(guī)模測(cè)試，最終確定學(xué)習(xí)率為0.01。損失函數(shù)是評(píng)價(jià)模型預(yù)測(cè)程度的重要數(shù)值，mindspore.nn.loss定義了多種損失函數(shù)可供選擇，如MSELoss（均方誤差損失）、SmoothL1Loss（范數(shù)損失）、CrossEntropySmooth（交叉熵平滑）等，本研究使用CrossEntropySmooth損失函數(shù)進(jìn)行模型的評(píng)估，之后使用動(dòng)量（Momentum）算法進(jìn)行模型優(yōu)化，若梯度方向與之前歷史的梯度是一致的，趨勢(shì)就增大，若趨勢(shì)不一致則減少。本研究設(shè)定動(dòng)量算法的學(xué)習(xí)率（learning_rate）為0.01，引入之前設(shè)定的超參以及當(dāng)前組別的權(quán)重，然后開始模型訓(xùn)練。訓(xùn)練結(jié)束之后，本研究進(jìn)行模型的驗(yàn)證，選擇模型中精度最高的ckpt文件，并將其轉(zhuǎn)換為MindIR格式，用于后續(xù)手機(jī)側(cè)的推理。

3 端側(cè)推理

本研究應(yīng)用MindSpore Lite實(shí)現(xiàn)端側(cè)推理，將網(wǎng)絡(luò)訓(xùn)練模型結(jié)果進(jìn)行轉(zhuǎn)換，使其在不具備大算力和強(qiáng)深度學(xué)習(xí)環(huán)境的終端設(shè)備上也可以快速有效運(yùn)行。MindSpore Lite是華為自主研發(fā)的一款極速、極智、極簡(jiǎn)的AI引擎，在手機(jī)、穿戴感知、智慧屏等設(shè)備上得到廣泛應(yīng)用。本研究首先將模型訓(xùn)練后得到的MindIR格式模型轉(zhuǎn)化為適用于端側(cè)部署的ms模型，具體步驟：（1）下載MindSpore Lite模型轉(zhuǎn)換工具（Converter），解壓并配置環(huán)境變量。（2）進(jìn)入converter_lite可執(zhí)行文件所在的目錄，將MindIR格式模型文件放入同一路徑下，在電腦終端執(zhí)行轉(zhuǎn)換命令：call converter_lite --fmk=MINDIR --modelFile=mobilenet_v2_1.0_224.mindir --outputFile=mobilenet_v2_1.0_224，其中，--fmk代表輸入模型的原始格式，--modelFile指輸入模型文件；--outputFile指輸出模型文件，自動(dòng)添加.ms后綴。得到ms模型后，將其加載到App應(yīng)用，然后進(jìn)行模型編譯、獲取圖片數(shù)據(jù)、執(zhí)行推理，最后將推理結(jié)果輸出給App應(yīng)用。

4 安卓應(yīng)用程序開發(fā)

為了讓農(nóng)戶只要持有智能手機(jī)就可以進(jìn)行農(nóng)作物病蟲害識(shí)別，本研究設(shè)計(jì)和實(shí)現(xiàn)界面友好、操作方便的病蟲害識(shí)別App。App支持安卓7.0以上移動(dòng)終端，使用Pycharm，Android Studio進(jìn)行開發(fā)，提供兩種圖片數(shù)據(jù)輸入接口，用戶可以從相冊(cè)導(dǎo)入病蟲害圖片作為數(shù)據(jù)。除此以外，App調(diào)用Android Camera 2 API實(shí)現(xiàn)了通過攝像頭獲取圖像，因此，用戶可以實(shí)時(shí)拍攝病蟲害圖片并將其作為數(shù)據(jù)。App在獲取用戶輸入的圖片數(shù)據(jù)后，先將圖片進(jìn)行格式、大小等處理，然后輸入ms模型進(jìn)行推理，最后將推理結(jié)果進(jìn)行顯示，包括病蟲害分類、置信度以及響應(yīng)時(shí)間等，如圖2所示。同時(shí)App提供識(shí)別結(jié)果詳情，包括病蟲害的特征描述以及相應(yīng)的防治措施等，可以較好地滿足農(nóng)業(yè)發(fā)展對(duì)于信息化和智能化技術(shù)的需求［3］。

5 結(jié)語

本系統(tǒng)基于華為自主研發(fā)的MindSpore AI計(jì)算框架實(shí)現(xiàn)，使用輕量級(jí)經(jīng)典圖像檢測(cè)算法MobileNetv2進(jìn)行特征提取和模型訓(xùn)練，可以部署到高端手機(jī)，也可以部署到手表等對(duì)資源要求極為苛刻的設(shè)備，從而滿足全場(chǎng)景部署的需求。系統(tǒng)使用MindSpore Lite實(shí)現(xiàn)農(nóng)作物病蟲害端側(cè)識(shí)別，無須將圖片數(shù)據(jù)傳輸?shù)侥Ｐ陀?xùn)練服務(wù)器中，并且可以大幅度地加快識(shí)別速度，即使在不具備網(wǎng)絡(luò)通信的環(huán)境中也可以完成推理識(shí)別。最終作品以界面友好、操作方便的App形式呈現(xiàn)，方便農(nóng)戶進(jìn)行農(nóng)作物病蟲害圖片掃描識(shí)別，同時(shí)提供識(shí)別結(jié)果詳情、病蟲害的特征描述以及相應(yīng)的防治措施，使農(nóng)戶只要持有智能手機(jī)就可以進(jìn)行農(nóng)作物病蟲害識(shí)別。

參考文獻(xiàn)

［1］陳雷.深度學(xué)習(xí)與MindSpore實(shí)踐［M］.北京：清華大學(xué)出版社，2020.

［2］于璠.新一代深度學(xué)習(xí)框架研究［J］.大數(shù)據(jù)，2020（4）：69-80.

［3］甄珍.人工智能技術(shù)在移動(dòng)互聯(lián)網(wǎng)發(fā)展中的應(yīng)用分析［J］.無線互聯(lián)科技，2020（21）：63-65.

（編輯 王雪芬）

Design of crop pest identification system based on MindSpore

Yang? Zujian， Huang? Yongping*

（College of Mathematics，Physics and Electronic Information Engineering，Guangxi Normal University for Nationalities， Chongzuo 532200， China）

Abstract：? Guangxi is a large agricultural province， a wide variety of crops， such as sugar cane， rice and so on. In some areas， crops are the main source of economy， and crop diseases and insect pests occur frequently due to climate reasons. This paper studied the common diseases and insect pests of major crops in Guangxi， collected the data of common diseases and insect pests of sugarcane and other crops， used the AI computing framework to achieve the feature extraction and model training of the data using MindSpore and the deep learning algorithm MobileNetV2， and used the end-side inference framework to achieve fast and accurate end-side inference framework MindSpore Lite. The test results show that the proposed system has a high recognition accuracy， and compared with the traditional recognition software， the system can perform network-free， lightweight real-time recognition.

Key words： MindSpore; identification of pests and diseases; end side reasoning